基于人工智能的对比剂量预测,用于计算机断层扫描,使用优化的临床参数集进行血管扫描

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 生物医学工程 生物医学工程

背景情况:

• 在计算机断层扫描 (CT) 血管造影中优化对比剂量对于诊断图像质量和患者安全至关重要.
• 目前的方法可能无法充分考虑个体患者的变化,可能导致低于最佳剂量.
• 人工智能为个性化剂量预测提供了一个有希望的途径.

研究的目的:

• 开发和评估一种基于人工智能的算法,用于预测在大动脉CT血管造影中最佳的对比剂量.
• 为了比较不同机器学习模型的性能,包括随机决策森林 (RDF),k-最近邻居 (KNN) 和回归神经网络 (RNN),用于对比剂量预测.
• 评估在常规临床实践中实施AI系统的可行性.

主要方法:

• 对比剂量预测被定义为一个分类问题,利用图像对比作为主要特征.
• 采用随机决策森林 (RDF) 和k-最近邻居 (KNN) 方法进行分类.
• 特征选择涉及评估22个临床参数的所有组合,以准确性和精确性作为质量指标.
• 回归神经网络 (RNN) 用于特征转换和直接分类,以及KNN的预处理.

主要成果:

• 对于特征选择,RDF获得了84.42%的准确度,KNN获得了86.21%的准确度,年龄,身高和血红蛋白被确定为关键参数.
• 使用RNN的特征转换显著提高了性能,达到90.00%的准确度和所有22个参数的97.62%精度.
• 使用标准的临床特征集,RNN实现了86.67%的准确性和93.18%的精度,平衡了性能和临床可行性.

结论:

• 开发了一种可靠的混合AI系统,以协助放射科医生确定CT血管学最佳对比剂量.
• 该系统利用患者特定的参数进行个性化对比剂的管理.
• 人工智能方法显示出在CT血管造影程序中提高诊断准确性和效率的潜力.